记录一下深度学习||CNN||pytorch中遇到的英文单词

在学习过程中，经常遇到不认识的单词，像一些函数、术语之类的。发现网上没有一些很好的总结，而直接翻译单个单词意思，又有点不符合语境。所以下面会记录一些自己在学习中遇到的单词以及意思，方便理解。

DAY 1

linear 线性的
Regression 回归
model 模型
LinearRegressionModel 线性回归模型
epoch 周期，回合
learning_rate 学习率
optimize 优化器
criterion 损失函数
dim 维度
axis 取第几维度
parameter 参数
label 标签
backward 反向传播
device 工具
scalar 数值
vector 向量，也可以理解成特征
matrix 矩阵
n-dimensional tensor n维张量
item 项目
matmul 高维矩阵连乘，涉及到广播机制
model zoo 调用他人选练好网络以及权重参数
hub 同zoo
pandas 数据处理库
dtype 数据类型
requires_grad 是否要计算梯度
relu 一种激活函数
hidden 隐藏层

DAY 2

batch 批量
loss 损失
cost 损失
Mean Squared Error 均方误差，本质上就是最小二乘法多除了一个总样本
MSELoss 损失函数
reduction 还原，可选参数有：‘none’ 、‘mean’ 、‘sum’
reduction=‘none’：求所有对应位置的差的平方，返回的仍然是一个和原来形状一样的矩阵。
reduction=‘mean’：求所有对应位置差的平方的均值，返回的是一个标量。
reduction=‘sum’：求所有对应位置差的平方的和，返回的是一个标量。
Adam 优化器的一种
SGD 优化器的一种
prediction 预测结果
matplotlib 绘图的一个库
mkdir 建立一个子目录
cross_entropy 交叉熵损失函数
transform 转换
accuracy 准确率
enumerate 容器
kernel 内核

DAY 3

torchvision 处理图像库
dir 路径
compose 组成
rotation 旋转
verticalflip 垂直翻转
horizontalflip 水平翻转
normalize 标准化
utils 抽象类，工具
convert 转换
squeeze 压缩，用于降维
detach 分开
pretrained 预训练

DAY 4

#在知乎上看到了一些有意思的理解，记录下来，不过笔者本身学CV，对其他领域如NLP的了解并不多，可能有些理解有误差。（https://www.zhihu.com/question/469612040/answer/2008770105）
feature 特征，一个数组
representation 表达，一个数组
embedding 把输入映射成数组
attention 注意力，给数组加个权
adaptive 自适应，加权
few-shot learning 小样本学习
zero-shot learning 无样本学习
self-supervised 自监督学习，自学
semi-supervised 半监督学习，教一点学一点
unsupervised 无监督，自己猜
end-to-end 端到端，一气呵成
multi-stage 多阶段，没法一口气完成
transfer 迁移，拿着语文书去考英语
robust 鲁棒性，loss不容易变大也不容易变小了
state of the art 最先进的，no1
outperform 胜过，比baseline好
baseline 对照组，作为工具人来说明自己模型的outperform
compared method 对比方法，找几个工具人证明自己模型outperform
empirically 经验上，自己也不知道为什么
theoretically 理论上，能推理不能证明
multi-task 多任务，多个loss
multi-modality 多模态，不同类型的输入放在一起大锅炖
bias variance tradeoff 偏差-方差分解，鱼与熊掌
hypothesis 假设，我猜的
intuition 直觉，玄学
insight 洞察，蒙对了
transformer 自注意力网络，拉成条儿加权
rebuttal 辩论，和编辑撕逼证明自己是对的
ablation experiment 消融实验，控制变量法
ensemble learning 集成学习，几个模型绑在一起
novel 新颖的，创新点
rethink 重新思考，一竿子打翻一船人
efficient 有效的，没用太多数据集或时间
long-standing problem 老毛病